非侵入式电力负荷分解算法综述

非侵入式电力负荷监测是将总的电力消耗分解为每个用电设备的电力消耗并对其进行监测。非侵入式负荷监测系统无需安装大量监测设备,就可进行能源监测、故障监测、故障分析等多种类型的电能质量控制分析,文中介绍了国内外主流电力负荷分解算法以及算法评估方法,并就存在的问题及未来的发展方向进行了阐述。     

论电力负荷特性指数

基于现存指标体系的局限,提出构造负荷特性指数,完善电力负荷特性的统计度量,并具体讨论了负荷特性互补指数与负荷特性综合评价指数构造问题,前者旨在对联网相关地区负荷特性的互补性作一个科学度量,后者旨在以一个综合指数对负荷特性作一个整体上的描述.     

电力负荷静态样条函数模型

为了对负荷的静特性进行更好的分析和描述，引入了基于样条函数的静态电力负荷建模思想。通过对传统模型的结构进行分析，指出了传统模型产生较大误差的原因，结合样条函数的相关理论，提出了基于三次样条函数的负荷静态模型，并且给出了基于样条插值的建模方法，通过典型负荷的仿真计算，表明本负荷模型能够适应复杂的负荷特性描述，为未知模型结构情况下负荷特性的辨识提供了一种新的有效方法。     

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM（1,1）灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。     

电力负荷特性参数分析软件包的实现及应用

开发了基于Windows平台的电力负荷特性参数的软件包,介绍了软件的功能及使用的技术.实例表明,该系统可实现电力负荷特性参数的预测和日常化分析,并能很好地应用于实际工作中.     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用遗传算法能够进行全局最优化搜索这一特点,提出了一种新的用于BP网络训练的混合算法,即遗传算法与改进的BP算法相结合的混合训练方法.将所提出的混合训练方法应用于神经网络式电力负荷预测中,结果表明:所提出的算法与单一的BP算法相比,不仅可避免陷入局部极小点,而且提高了网络的训练速度和负荷预测精度.     

基于改进K-means算法的电力短期负荷预测方法研究

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现...     

萤火虫算法优化SVR参数在短期电力负荷预测中的应用

由于萤火虫算法(FA)具有全局性能好、收敛精度高等优点,因此将萤火虫算法用于SVR的惩罚系数C和核参数σ的优化选取中。为提高迭代收敛速度和寻优精度,对萤火虫算法加以改进,在迭代过程中对亮度最亮的萤火虫位置施加随机扰动;将参数经过优化选取的SVR用于短期电力负荷预测,并将预测结果与采用网格搜索法、遗传算法、粒子群算法得到的结果做比较。其结果表明,采用改进萤火虫算法作参数寻优的SVR的负荷预测精度高,效果最好。     

聚类分析在电力变压器不良数据识别中的应用

为了发现变压器内部潜伏性故障及其发展程度,针对电力变压器的油中气体成份数据进行聚类分析。利用K-means算法对电力变压器的原始数据进行处理,利用ISODATA算法对经过K-means算法处理的数据在初始聚类中心进行聚类,最终得到变压器五种气体参数的ISODATA算法聚类结果。     

电力负荷综合预测方法的研究

提出用自适应进化规划方法进行电力负荷综合预测，引入了优化综合模型，同时采用某地用电量进行预测分析．对进化规划的变异操作、适应度计算及竞争选择方案进行了研究．结果表明，该方法具有全局寻优、自适应性强、通用性好等优点，预测精度有了很大的提高．     

基于模糊聚类和粗糙集的电力系统短期负荷预测

电力系统短期负荷预测中存在大量的不确定因素直接影响到负荷预测结果的准确性,而粗糙集理论能有效地分析和处理各种不精确、不一致、不完整的信息,并从中发现隐含的知识,揭示潜在的规律。将模糊聚类分析和粗糙集理论结合在一起对电力系统短期负荷进行预测。首先通过模糊聚类分析,根据气温、相对湿度以及日类型等影响负荷的因素将负荷历史数据分成若干类,然后应用粗糙集理论分别建立相应的负荷预测模型。采用某电网提供的数据进行负荷预测,结果分析表明该方法有很高的预测精度,从而说明了基于模糊聚类和粗糙集理论的电力系统短期负荷预测方法的优越性。     

基于模糊聚类的电力系统负荷特性分析

以变电站负荷构成比例作为基本特征向量,提出采用自适应矢量量化(AVQ)神经网络模糊聚类方法对电力负荷特性进行分类与综合.将AVQ神经网络模糊聚类方法和模糊C均值(FCM)聚妾方法进行了对比研究.通过对福建电网44个变电站进行聚类分析,得出两种聚类方法不仅具有良好的聚类综合能力,同时能够通过优化理论获得聚类中心矩阵,与其他聚类方法相比有明显优势;两者相比,AVQ神经网络模糊聚类算法本身机时小,处理速度更快,而且结果更为合理.     

Fuzzy clustering based load balancing algorithm with feature weighted

Focusing on the data fusion problem of various loads, a fuzzy clustering based load balancing algorithm with feature weighted is proposed. First of all, various system resources are considered as dimensions for load metrics, and features for different dimensions are weighted so as to quantify comprehensive loads; then, this algorithm introduces fuzzy clustering, optimizes weight constraints, and adds penalty terms. Hence, the most suitable objective node cluster for load transferring is resolved through fuzzy clustering. Experimental results show that this algorithm can effectively fuse multidimensional load data and reduce standard deviation for node loads within the cluster by 21％ compared with existing algorithms.     

基于K均值聚类的定位算法分析

在描述了聚类算法的基本思想和概念的基础上,介绍了一种常见的聚类算法—K均值和K中心点聚类算法,通过处理认知无线电网络中主用户定位在海量数据中应用K均值聚类算法,对该算法进行分析,仿真结果表明:与传统的主用户定位算法相比,使用K均值聚类算法能够有效地提高定位精度和降低定位算法的复杂度.     

应用于黑启动的负荷特性分析与分类方法

负荷特性的分析与分类可以掌握负荷的变化规律,筛选出重要的负荷用于黑启动方案的优化。为了保障尽可能多的重要负荷在停电事故中尽快恢复供电,分析黑启动负荷的恢复模型,将模糊聚类方法应用于负荷特性分析和分类,提出应用于黑启动方案的负荷特性分析和分类方法,求出变电站中各类负荷的重要度。最后,基于实际区域电网进行负荷特性分析与分类,验证了所提出方法的有效性。     

感应电动机模型参数解析灵敏度分析及综合策略研究

针对感应电动机负荷模型中部分参数易辨识,且辨识结果稳定,而另一部分参数难辨识,辨识结果存在较大离散性的问题,通过感应电动机参数解析灵敏度分析,指出了参数灵敏度与参数易辨识性之间的关系,以及扰动强度与参数灵敏度、参数易辨识性的关系。最后提出了一种有效的感应电动机负荷模型综合策略。     

基于模糊聚类分析的战场目标分类研究

目标分类是确定各类武器作战任务的基础,也是各类武器确定目标打击顺序的前提。采用模糊聚类分析方法,结合具体实例,围绕目标重要性、打击紧迫性、目标易损性、目标通视性、情报可靠性、任务一致性等指标,对战场目标进行了分类。     

一种基于协同进化方法的聚类集成算法

针对单一聚类算法存在的不能泛化的问题,将集成学习技术应用于聚类算法中,集成学习技术可以显著提高学习系统的泛化能力。提出了1种基于粒子群和遗传算法的协同进化聚类集成算法,粒子群算法保证算法快速收敛,遗传算法全局搜索扩大搜索范围,提高了聚类的性能和收敛速度。将本研究提出的算法在多个UCI数据集上进行试验验证,结果表明该算法是有效的。     

Using genetic algorithm based fuzzy adaptive resonance theory for clustering analysis

In the clustering applications field, fuzzy adaptive resonance theory system has been widely applied. But, three parameters of fuzzy adaptive resonance theory need to be adjusted manually for obtaining better clustering. It needs much time to test and does not assure a best result. Genetic algorithm is an optimal mathematical search technique based on the principles of natural selection and genetic recombination. So, to make the fuzzy adaptive resonance theory parameters choosing process automation, an approach incorporating genetic algorithm and fuzzy adaptive resonance theory neural network has been applied. Then, the best clustering result can be obtained.Through experiment, it can be proved that the most appropriate parameters of fuzzy adaptive resonance theory can be gained effectively by this approach.     

基于GraphLab的分布式近邻传播聚类算法

为有效实现海量数据的非线性聚类,提出基于GraphLab的分布式流式近邻传播算法--GStrAP(GraphLab based stream affinity propagation)。该算法将数据抽象为有向无环图模型,采用“Gather-Apply-Scatter”的模式完成数据同步和算法迭代。在人工合成流形数据3D Clusters、Aggregation、Flame和Pathbased数据集上分别采用不同数据规模以及与传统K-means的聚类性能做对比,实验表明:基于GraphLab的近邻传播算法对数据规模具有良好的拓展性,在保持算法聚类效果的同时,有效降低时间复杂度。